如何基于Tesseract实现图片的文本识别

在前一篇文章基础上，如何将报告图片中的文本解析出来，最近研究了基于Tesseract的OCR方案，Tesseract OCR是一个开源的OCR引擎，主要结合开源的tesseract和pytesseract，实现了jpg/png等格式图片文本识别，供大家参考，具体步骤和测试示例如下。

1.下载和安装tesseract和pytesseract

先安装pytesseract包，安装命令：pip3 install pytesseract
下载tesseract工具，地址：Home · UB-Mannheim/tesseract Wiki · GitHub
下载支持语言包(tessdata)，地址：https://github.com/tesseract-ocr/tessdata，解压后拷贝到D:\tools\Tesseract-OCR目录下。

2.配置环境变量

配置环境到path变量：D:\xxx\Tesseract-OCR\tessdata和D:\xxx\Tesseract-OCR
增加环境变量TESSDATA_PREFIX=D:\xxx\Tesseract-OCR\tessdata
查看Tesseract的配置运行情况：tesseract -v 和 tesseract --list-langs

3.修改tesseract_cmd命令路径

修改pytesseract下的pytesseract.py文件，将tesseract路径设置为如下路径，具体如下：
tesseract_cmd = 'D:\xxx\Tesseract-OCR\tesseract.exe'

4.测试示例

# 利用tesseract实现图像的OCR，通过OCR提取图像中的文本信息，详见txt目录。  
localFiles=['d:\img\1.jpg']
image = Image.open(Path(localFiles[i]))
ocr_text = pytesseract.image_to_string(image) 
ocrfilename = localFiles[i].split('\\')[-1][:-4]
with open(os.path.join(output_folder, f'{ocrfilename}.txt'), 'w',  encoding='utf-8') as ocr_file:  ocr_file.write(ocr_text)  
print(str(i) + ".", ocrfilename, ' is completed by ocr')